脑-机接口(Brain-Computer Interface,BCI)可以直接建立大脑与外界电子设备的通信系统。由于脑电信号的时效性和个体差异性,通常需要在每个分类实验开始时收集大量的训练数据。为此,引进迁移成分分析算法。首先基于上肢运动想象范式分别采集训练时间为3天和7天的10名受试者脑电信号,并根据实验要求进行预处理。同一时间脑电信号:其他时间或其他受试者(两者时间间隔均约为4天)分别为1:1、1:3、1:5、1:7、1:9的比例按要求选取数据,共80个试次脑电信号。采用同一受试者其他时间或其他受试者其他时间(时间间隔约为4天)采集的前N个试次的脑电信号和同一时间的后(80-N)个试次脑电信号,针对预处理后的脑电信号分别使用支持向量机和迁移成分分析算法进行信号的分类识别,并用十折交叉验证法获得准确率。通过对比分析分类准确率发现,相较于SVM模型,跨时间模型和跨被试模型分别将上肢运动想象的侧向识别准确率平均提高了6.65%、16.82%,且使用跨时间模型和跨被试模型还获得了70%以上的分类准确率。同时,相较于跨时间模型,跨被试模型的特征迁移分类更适合与上肢运动想象分类识别(P=0.00881656<0.01)。以同一时间脑电信号:其他时间或其他受试者为1:1为例,将SVM模型组中的数据以比例20%、40%、60%替换迁移模型组中其他时间或其他受试者的部分数据后相较于支持向量机模型的准确率均具有显著性差异,符合统计学意义。实验结果表明,这两种方法都达到了以较少的训练样本训练出可靠的分类模型的目的,并且与未进行迁移的训练模型相比,分类准确率更高。